深度学习论文: Evaluating You Only Hear Once on noisy audios in the VOICe Dataset及其PyTorch实现

深度学习论文: Evaluating You Only Hear Once on noisy audios in the VOICe Dataset及其PyTorch实现
Evaluating robustness of You Only Hear Once (YOHO) Algorithm on noisy audios in the VOICe Dataset
PDF: https://arxiv.org/pdf/2111.01205.pdf
PyTorch代码: https://github.com/shanglianlm0525/CvPytorch
PyTorch代码: https://github.com/shanglianlm0525/PyTorch-Networks

1 概述

将YOHO推广应用到 VOICe Dataset

2 VOICe Dataset

• 三种声音类别： “baby crying”, “glass breaking” and “gunshot”
• 两种不同的信噪比： -3dB 和 -9dB

3 YOHO

YOHO的输入是 log-mel spectrograms， 每个声音文件，切割为有重叠区域的长度为2.56s片段，跳长为1.96s. 对于VOICe dataset，模型输入为(40, 257) ，其中 40为mel bins的数量 ，257 为 time steps。

网络的输出尺寸为9x9， 第一维对应时间轴（time axis），第二维对应VOICe数据集的3个类别的3个神经元。

4 Results

Ds 和 Dt 分别表示源（source ）和目标（target ）域的数据，V. 表示 “vehicle”, O. 表示 “outdoor”, I. 表示 “indoor” ， Ce. 表示 “clean” data.